用于网状材料设计的粗粒化晶体图神经网络

网状材料，包括金属有机框架和共价有机框架，结合了相对容易的合成以及在从气体存储到生物医学的各个领域中的令人印象深刻的广泛应用。多样的性质源于构建单元——金属中心和有机连接体——在几乎无限的化学空间中的变化。这种变化极大地复杂化了实验设计并促进了计算方法的使用。特别是，预测网状材料性质最成功的人工智能算法是原子级图神经网络，其可选地融入领域知识。尽管如此，涉及这些模型的数据驱动逆向设计受到不相关和冗余特征（如完整的原子图和网格拓扑）包含的困扰。在本研究中，我们提出了一种表示材料的新方式，旨在克服现有方法的局限性；消息传递在由分子构建单元组成的粗粒化晶体图上执行。为凸显我们方法的优点，我们评估了基于不同材料表示（包括基于组成和晶体结构感知的模型）构建的神经网络的预测性能和能量效率。粗粒化晶体图神经网络以低计算成本展示了可观的精度，使其成为无处不在的原子级算法的一种有价值替代。此外，所提出的模型可成功集成到逆向材料设计流程中作为目标函数的估计器。总体而言，粗粒化晶体图框架旨在挑战网状材料设计中普遍存在的以原子为中心的视角。